Słownik metodologiczny · Wielkość efektu

Wykres Galbraitha: precyzja badania a standaryzowany efekt

Wykres Galbraitha (radialny) pokazuje każde badanie metaanalizy jako punkt: precyzja na osi X, standaryzowany efekt na osi Y. Wyjaśniamy, jak go czytać, jak wiąże się z Q Cochrana i jak go narysować w R.

Strona główna / Słownik / Wykres Galbraitha
W skrócie: Wykres Galbraitha (radialny) to wykres metaanalizy, na którym każde badanie jest punktem: X = 1/SE (precyzja), Y = efekt/SE. Prosta przez początek układu ma nachylenie równe wynikowi łącznemu, a badania poza pasem ±2 wskazują źródła heterogeniczności.

Co to jest wykres Galbraitha?

Wykres Galbraitha (wykres radialny, ang. Galbraith plot, radial plot) przedstawia badania włączone do metaanalizy jako punkty, a nie jako przedziały ufności. Na osi X jest precyzja badania (1/SE), a na osi Y standaryzowany efekt (efekt/SE, czyli statystyka z). Galbraith (1988) zaproponował go jako alternatywę dla ciągu przedziałów ufności, znanego jako wykres lasu, i zalecał pokazywanie ilorazów szans w skali logarytmicznej.

Prosta przez początek układu ma nachylenie równe wynikowi łącznemu modelu efektu wspólnego. Linie odległe od niej o ±2 tworzą pas, w którym przy braku heterogeniczności leży zdecydowana większość badań. Suma kwadratów pionowych odległości punktów od prostej to statystyka Q Cochrana, więc wykres pokazuje, które badania odpowiadają za heterogeniczność.

Przykład

W danych dat.bcg (13 badań szczepionki BCG, log ilorazu ryzyka gruźlicy) wynik łączny modelu efektu wspólnego to RR = 0.650 (log RR = −0.430) – tyle samo wynosi nachylenie prostej. Suma kwadratów odchyleń daje Q = 152.2, a poza pasem ±2 leży 6 z 13 badań. Najdalej są TPT Madras (+7.03: najwyższa precyzja i efekt bliski zera) oraz Hart & Sutherland (−7.15: efekt silniejszy niż średni). Model efektu wspólnego słabo opisuje te dane; naturalny następny krok to metaregresja z cechą badań, np. szerokością geograficzną.

Jak opisać w pracy

Na wykresie Galbraitha 6 z 13 badań leżało poza pasem ±2 wokół prostej wyznaczonej przez wynik łączny (RR = 0.65). Największe odchylenia dotyczyły badań TPT Madras i Hart & Sutherland, co wskazuje na znaczną heterogeniczność (Q = 152.2, df = 12).

Na co uważać

  • Pas ±2 to wskazówka, nie test. Przy wielu badaniach kilka punktów wypadnie poza pas przypadkiem.
  • Nie myl z wykresem lejkowym. Wykres lejkowy służy do oceny asymetrii. Z wykresem Galbraitha łączy go jednak test Eggera: to regresja z na precyzji z wyrazem wolnym, czyli prosta na osiach wykresu radialnego; wyraz wolny różny od zera sugeruje efekt małych badań.
  • Punkt odstający to nie powód do usunięcia badania. Sprawdź jego wpływ na wykresie Baujata i w analizie wrażliwości.

Pakiet metafor rysuje wykres radialny funkcją radial() (Viechtbauer, 2010).

Przykład reprodukowalny

Wykres Galbraitha w R

Kod dopasowuje model efektu wspólnego dla log RR, liczy współrzędne wykresu ręcznie i odległości punktów od prostej, a na końcu rysuje wykres funkcją radial(). Liczby w tekście pochodzą z tego kodu.

Współrzędne wykresu radialnego i odchylenia od prostej

Dane wejściowe: dat.bcg z pakietu metadat – 13 badań szczepionki BCG (gruźlica w grupie szczepionej i kontrolnej).

Co odczytać: x = 1/SE, z = log RR/SE, odch – odległość od prostej; nachylenie = log RR = −0.430, Q = suma kwadratów odchyleń = 152.233.

R
library(metafor)                                   # dane dat.bcg (pakiet metadat): 13 badań szczepionki BCG
dat <- escalc(measure = "RR", ai = tpos, bi = tneg, ci = cpos, di = cneg, data = dat.bcg)
res <- rma(yi, vi, data = dat, method = "EE")      # model efektu wspólnego (stałego), log RR
x <- 1 / sqrt(dat$vi)                              # precyzja: oś X wykresu Galbraitha
z <- dat$yi / sqrt(dat$vi)                         # standaryzowany efekt: oś Y
odch <- z - coef(res) * x                          # odległość od prostej przez początek układu
print(data.frame(badanie = dat$author, x = round(x, 2), z = round(z, 2),
                 odch = round(odch, 2), poza_2 = abs(odch) > 2))
round(c(logRR = unname(coef(res)), RR = exp(unname(coef(res))),
        nachylenie = unname(coef(lm(z ~ 0 + x))), Q = res$QE, suma_odch2 = sum(odch^2)), 3)
pdf(NULL); radial(res)                             # wykres radialny (Galbraitha) z metafor
Wynik w R
                badanie     x      z  odch poza_2
1               Aronson  1.75  -1.56 -0.80  FALSE
2      Ferguson & Simes  2.27  -3.59 -2.62   TRUE
3       Rosenthal et al  1.55  -2.09 -1.42  FALSE
4     Hart & Sutherland  7.07 -10.19 -7.15   TRUE
5  Frimodt-Moller et al  4.42  -0.96  0.94  FALSE
6       Stein & Aronson 12.03  -9.46 -4.28   TRUE
7      Vandiviere et al  2.12  -3.43 -2.52   TRUE
8            TPT Madras 15.89   0.19  7.03   TRUE
9      Coetzee & Berjak  4.21  -1.98 -0.16  FALSE
10      Rosenthal et al  3.70  -5.07 -3.48   TRUE
11       Comstock et al  8.98  -3.05  0.82  FALSE
12   Comstock & Webster  1.37   0.61  1.20  FALSE
13       Comstock et al  3.74  -0.06  1.55  FALSE
     logRR         RR nachylenie          Q suma_odch2 
    -0.430      0.650     -0.430    152.233    152.233 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietem metafor 5.2-1 (dane dat.bcg z pakietu metadat 1.6-0). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. metafor (wersja 5.2-1): Viechtbauer, W. (2010). Conducting meta-analyses in R with the metafor package. Journal of Statistical Software, 36(3), 1–48. https://doi.org/10.18637/jss.v036.i03

Najczęstsze pytania

Czym wykres Galbraitha różni się od wykresu lasu?

Wykres lasu pokazuje każde badanie jako przedział ufności, a wykres Galbraitha – jako punkt, którego położenie na osi X zastępuje szerokość przedziału. Przy kilkudziesięciu badaniach łatwiej na nim zobaczyć, które odbiegają od wyniku łącznego; wielkość efektów i ich przedziały lepiej czyta się z wykresu lasu.

Czy wykres Galbraitha można narysować dla modelu efektów losowych?

Tak. Funkcja radial() z pakietu metafor dla modelu efektów losowych dzieli efekt i precyzję przez pierwiastek z (vi + τ²), a nie z samej wariancji vi. Punkty leżą wtedy bliżej prostej, bo część rozrzutu przypisano heterogeniczności τ².

Ile badań może leżeć poza pasem ±2?

Jeśli badania szacują ten sam efekt, poza pasem powinno się znaleźć około 5% punktów, bo granica ±2 to zaokrąglone ±1.96. Pojedynczy punkt poza pasem w dużej metaanalizie nie jest więc niczym niezwykłym; niepokój budzi wiele punktów lub bardzo duże odchylenia.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Galbraith, R. F. (1988). A note on graphical presentation of estimated odds ratios from several clinical trials. Statistics in Medicine, 7(8), 889–894. https://doi.org/10.1002/sim.4780070807
  2. Viechtbauer, W. (2010). Conducting meta-analyses in R with the metafor package. Journal of Statistical Software, 36(3), 1–48. https://doi.org/10.18637/jss.v036.i03 ● Otwarty dostęp

Cytowania BibTeX

@article{galbraith1988note, author={Galbraith, R. F.}, title={{A note on graphical presentation of estimated odds ratios from several clinical trials}}, journal={Statistics in Medicine}, year={1988}, volume={7}, number={8}, pages={889--894}, doi={10.1002/sim.4780070807}}
@article{viechtbauer2010conducting, author={Viechtbauer, Wolfgang}, title={{Conducting meta-analyses in R with the metafor package}}, journal={Journal of Statistical Software}, year={2010}, volume={36}, number={3}, pages={1--48}, doi={10.18637/jss.v036.i03}}
R